Har algoritmer noe med kunstig intelligens å gjøre?

Mitt aller første blogginnlegg hadde tittelen “Augmented reality – AR – hva er det egentlig?”, og en av årsakene til at jeg valgte dette temaet var at jeg alltid har vært interessert i datamaskiner, og ikke minst om disse en gang i fremtiden vil kunne utvikle en eller annen form for intelligens. Jeg har vært relativt sikker på at jeg har hatt god kontroll på begrepsbruken på området, og kunstig intelligens (forkortet AI på engelsk) har jeg lenge gått og ventet på skulle komme. Jeg venter fortsatt på at det skal komme gode eksempler på bruk av (virkelig) kunstig intelligens i markedet, men oftere og oftere blir jeg overrasket over at både selskaper og såkalte eksperter omtaler en løsning som en AI-løsing, og så viser det seg kun å være programmerte algoritmer.

En av de podkastene jeg liker å høre på er “Takk og lov – med Anine Kierulf”. Nå er vel ikke jurister de første vi tenker på når det gjelder IT-relaterte ord og begrep, men i episode 9 fra august 2020 hadde Kierulf med seg Merete Nygaard som er tech-gründer og blir omtalt i podcasten som “best i Norge på spørsmålet om hvilke rettssikkerhetsspørsmål kunstig intelligens avstedkommer”. I episoden snakkes det mye om kunstig intelligens, og de er til og med inne på et resonnement knyttet til om datamaskiner også kan “arve” menneskelige fordommer. Det slår meg dog at gang på gang ender de med eksempler og forklaringer som kun har med algoritmer å gjøre. Skal vi legge denne postkastepisoden fra den utmerkede serien “Takk og lov” til grunn, så er vi nok dessverre langt unna kunstig intelligens ennå – i alle fall i jusens verden.

For å forstå dette med kunstig intelligens bedre, er det i alle fall fire viktig begrep vi må skille på. La oss først starte med definisjonene:

Algoritmer – er i matematikk og databehandling en fullstendig og nøyaktig beskrivelse av fremgangsmåten for løsning av en beregningsoppgave eller annen oppgave (kilde: Store Norske Leksikon). For egen del kan jeg legge til at det selvfølgelig finnes både enkle algoritmer og meget avanserte algoritmer. Felles for dem alle er at de, etter mitt skjønn, ikke har noe med kunstig intelligens å gjøre. Algoritmer er kort og godt programmering av hvordan datamaskiner skal tolke eller lete etter data (Store Norske Leksikon igjen: “Et datamaskinprogram er en algoritme uttrykt i et programmeringsspråk.”). For snart 20 år siden hadde vi en såkalt fakturatolk hos min daværende arbeidsgiver. Etter å ha scannet fakturaen (vi mottok de fleste på papir den gangen), så var det et program som lette etter kontonummer, foretaksnummer eller en logo på fakturaen, for dermed å kunne finne hvilken leverandør dette var. Poenget var at vi skulle slippe å manuelt søke opp alle leverandører da dette vil ta lang tid. Dette var selvsagt en enkel algoritme. Dersom programmet ikke fant noen kjente data, så kunne vi fortelle programmet at dette organisasjonsnummeret tilhørte følgende leverandør, og dermed fant den riktig leverandør neste gang det kom en faktura med dette organisasjonsnummeret. I praksis tilførte brukerne flere kriterier til søket, og programmet virket kanskje mer intelligent for noen, men det var det selvsagt ikke.

Big data (stordata) – er i følge Wikipedia “datasett som er så store eller komplekse at de er vanskelige å analysere med vanlige dataprosesseringsverktøy”. Dette er nok strengt tatt en litt gammel definisjon. For noen få år siden var det bare noen veldig få datamaskiner på verdensbasis som virkelig kunne behandle og analysere big data, men i dag er dette langt mer tilgjengelig, og spesielt gjennom delte ressurser i “skyen”/cloud computing. La oss tenke oss et eksempel: Dersom vi registrere alle ben- og armbrudd i verden over mange år, og samtidig registrere hvor mange av disse som skjedde fordi man falt etter å ha sklidd på et glatt eller vått underlag, så kan en relativt enkel algoritme regne ut hvor stor andel av alle slike brudd som har sammenheng med fall som igjen har med underlaget å gjøre. Selv om vi her snakker om en enorm mengde data, så vil en datamaskin i dag med noen få enkle spørsmål til en pasient som klager på smerter i en arm eller ben grunnet fall, enkelt kunne beregne sannsynligheten for et brudd og dermed gi en anbefaling om f.eks. røntgen. Dette har ingen ting med kunstig intelligens å gjøre. Selv om vi legger til noen enkle algoritmer som f.eks. også sjekker sannsynlighet opp mot alder, så blir treffprosenten bedre, men fortsatt har det ingen ting med kunstig intelligens å gjøre. Det mest kjente eksempelet på et program som klarer å behandle utrolige mengder med data er IBMs Watson (oppkalt etter selskapets første adm. dir.). Watson “lærer” ved å basere seg på tolkningsmønster fra fageksperter, men det er fortsatt ikke kunstig intelligens.

Machine learning – i følge Stanford Universitys Coursera.org webside, så defineres machine learning som “the science of getting computers to act without being explicitly programmed.” De gir eksempler som selvkjørende biler og talegjenkjenning. Her begynner vi virkelig å nærme oss noe. Dersom en maskin virkelig kan endre hvordan den løser et problem uten at vi har gått inn og endret en algoritme eller tilfører nye data som tolkes på samme måte som tidligere, så begynner vi virkelig å nærme oss det jeg oppfatter som kunstig intelligens. Stanfords webside nevner videre at mange forskere er av den oppfatning at machine learning er den beste veien å gå for å kunne nærme oss en virkelig kunstig intelligens i fremtiden.

Artificial intelligence (kunstig intelligens) – har mange forskjellige definisjoner, og det er kanskje også årsaken til at begrepet brukes forskjellig. Opprinnelig var det nok den kjente britiske logiker og datamaskinpioneer Alan Turings definisjon fra 1935 som ble lagt til grunn, hvor han allerede da la til grunn at kunstig intelligens først var tilstede når en datamaskin kunne modifisere det programmet som det selv var laget i (operativsystem var ikke et begrep den gangen). Riktig nok var det først 12 år senere at han holdt sin første forelesing om temaet, hvor han uttalte “What we want is a machine that can learn from experience” og videre ““possibility of letting the machine alter its own instructions provides the mechanism for this.” Turing gikk til og med så langt at han introduserte en egen test for å sjekke om en datamaskin var intelligent etter hans standarder, denne testen har blitt kjent som Turing-testen. En enkel og god forklaring på hva Turing-testen går ut på kan du se her. I 2014 ble den meget interessante filmen “The imitation game” om Alan Turing gitt ut med Benedict Cumberbatch i hovedrollen, og med regi av Morten Tyldum. Filmen anbefales på det varmeste.

I dag brukes definisjoner som “strong AI”, “applied AI” og “cognitive simulation” i følge Britannica.com, mens IBM (de som i gamle dager lagde datamaskiner) viser til John McCarthys definisjon fra 2004: “It is the science and engineering of making intelligent machines, especially intelligent computer programs. It is related to the similar task of using computers to understand human intelligence, but AI does not have to confine itself to methods that are biologically observable.” Personlig synes jeg denne definisjonen virker litt for enkel da den tar utgangspunkt i at man skal lage intelligente maskiner, men den mangler den åpenbare fortsettelse av at en slik intelligent maskin skal kunne utvikle seg selv til å bli enda smartere.

For å trekke paralellen tilbake til den juridiske siden som ble omtalt innledningsvis, så vil vi kanskje kunne definere forskjellen mellom kunstig intelligens og avanserte algoritmer ved å se på et alternativt element som ansvar:

Avanserte algoritmer	Ansvaret dersom noe går feil ligger utvilsomt på den eller de som har programmert algoritmene
Kunstig intelligens	Ansvaret dersom noe går feil virker uklart da det er maskinen selv som har utviklet løsningen basert på sine preferanser og sin egen logikk

B. J. Copeland skriver i sin artikkel på Britannica.com i november 2021 at kunstig intelligens definert som “strong AI”, dvs. datamaskiner som klarer å duplisere menneskelig intelligens, forblir kontroversielt. Mange har de senere årene hevdet at de har lykkes med dette, men i praksis har de kun lyktes med å ødelegge sitt eget rykte. I skrivende stund synes selv et system på høyde med en kakerlakks intelligens å være et stykke unna skriver Copeland videre. Fem tiår med forskning har feilet i sitt forsøk å kunne legge frem bevis for at en datamaskin kan fremvise menneskelig intelligens. Vi klarer ikke engang å modellere nervesystemet til de enkleste virvelløse dyr skriver han.

Konklusjon

Ofte opplever vi at det er forskjell på den akademiske definisjonen av ord, og hvordan de forstås i daglig tale. For eksempel er det ikke positivt å bli forfordelt (man får for lite, eller blir gjort urett mot), men dersom man bruker dette ordet “korrekt”, så blir man garantert misforstått. De fleste oppfatter jo at det er positivt å bli forfordelt, og da forstår de ordet på den måten. Det samme kan selvsagt sies om kunstig intelligens. Dersom den gjengse oppfatning er at dette er det samme som litt avanserte algoritmer, så blir det jo det folk flest leser det som. Jeg er relativt sikker på at jeg har funnet den riktige vitenskapelige definisjonen av begrepet, men det er ikke dermed sagt at det er slik det benyttes i offentligheten i dagens Norge. Kanskje brukes det til og med forskjellig fra land til land. Det hadde vært spennende om noen med innsikt på området kunne gitt sine kommentarer til dette.

Post scriptum

Under andre verdenskrig jobbet Alan Turing som kryptoanalytiker i det som het the Government Code and Cypher school i Bletchly Park, hvor oppgaven primært bestod av å lage en maskin som kunne dekryptere meldinger laget med den tyske kodemaskinen Enigma. Arbeidet ved Bletchly Park var underlagt så stor grad av hemmelighold at det var først i 2012 at britiske myndigheter friga informasjon om Turings løsning av Enigma kodene.